文献类型：期刊文章

作　　者：王红军[1,2] 李志蜀[2] 戚建淮[1] 成飏[2] 周鹏[2] 周维[2]

机构地区：[1]西南交通大学信息化研究院,四川成都610031 [2]四川大学计算机学院,四川成都610054

出　　处：《软件学报》

基　　金：国家自然科学基金No.61003142;国家铁道部资助项目Nos.2009X010-A;2009X010-B~~

年　　份：2010

卷　　号：21

期　　号：11

起止页码：2814-2825

语　　种：中文

收录情况：AJ、BDHX、BDHX2008、CSA、CSA-PROQEUST、CSCD、CSCD2011_2012、EI(收录号：20105213523752)、IC、INSPEC、JST、MR、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：已有的聚类集算法基本上都是非监督聚类集成算法,这样不能利用已知信息,使得聚类集成的准确性、鲁棒性和稳定性降低.把半监督学习和聚类集成结合起来,设计半监督聚类集成模型来克服这些缺点.主要工作包括:第一,设计了基于贝叶斯网络的半监督聚类集成(semi-supervised cluster ensemble,简称SCE)模型,并对模型用变分法进行了推理求解;第二,在此基础上,给出了EM(expectation maximization)框架下的具体算法;第三,从UCI(University of California,Irvine)机器学习库中选取部分数据来做实验.实验结果表明,SCE模型本身及其变分推理后所设计的EM算法都能进行半监督聚类集成,总的来说,效果比NMFS(algorithm of nonnegative-matrix-factorization based semi-supervised)、半监督SVM(support vector machine)、LVCE(latentvariable model for cluster ensemble)等算法要好.该半监督聚类集成模型聚集了半监督学习和聚类集成两者的优点,最后的聚类结果比单纯的半监督聚类或聚类集成的效果都要好.

关 键 词：半监督聚类集成  变分推理  必连  不连  

分 类 号：TP181]